Embeddings avec Velqa.dev

Velqa propose deux modèles d'embeddings multilingues (forts en français et en arabe), idéaux pour la recherche sémantique, le RAG et la comparaison de documents. Ils sont disponibles sur l'API OpenAI-compatible https://api.velqa.dev/v1/embeddings et inclus dans tous les plans (Starter, Dev, Pro, Recharge Boost).

bge-m3 — rapide et économique, 1024 dimensions, contexte 8k. Bon choix par défaut.
qwen3-embedding-8b — qualité supérieure (top MTEB multilingue), jusqu'à 4096 dimensions, contexte 32k. À privilégier pour le RAG exigeant.

Tarification

Les embeddings ne produisent pas de tokens de sortie : vous payez uniquement les tokens d'entrée envoyés au modèle.

Modèle	Type	Prix indicatif (MAD/M tokens input)
`bge-m3`	Embeddings	~0,12 MAD
`qwen3-embedding-8b`	Embeddings	~0,12 MAD

Le prix exact est affiché dans le tableau de bord et dépend du taux de change USD/MAD en vigueur.

Exemple avec curl

curl https://api.velqa.dev/v1/embeddings \
  -H "Authorization: Bearer $VELQA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "bge-m3", "input": ["Premier document", "ثاني وثيقة"]}'

Exemple avec Python

from openai import OpenAI

client = OpenAI(base_url="https://api.velqa.dev/v1", api_key="VELQA_API_KEY")
resp = client.embeddings.create(
    model="bge-m3",
    input=["Premier document", "ثاني وثيقة"]
)
print(len(resp.data[0].embedding))

La réponse contient un vecteur de nombres flottants par élément d'input, ainsi que usage.prompt_tokens indiquant le nombre de tokens facturés.